Convolutional solutions of partial difference equations

A significant part of the theory of one-dimensional linear shift-invariant systems is based on the concept of weighting function (or impulse response): the output is the convolution of the weighting function with the input. This paper introduces the concept of linear translation-invariant systems and uses this notion in studying impulse response, z-transforms, and transfer functions for multidimensional systems.     

A combination of differential equations and convolution in understanding the spread of an epidemic

Nonlinear dynamical method of projecting the transmission of an epidemic is accurate if the input parameters and initial value variables are reliable. Here, such a model is proposed for predicting an epidemic. A method to supplement two variables and two parameters for this proposed model is demonstrated through a robust statistical approach. The method described here worked well in case of three continuous distributions. Model predictions could be lower estimates due to under-reporting of disease cases. Anad hoc procedure with a technical note is provided in the appendix An earlier version of this paper was presented at the annual conference of the Indian Society for Mathematical Modelling & Computer Simulation, Bangalore, November 14–15, 2002     

Multi-Scale Dilated Convolutional Neural Network for Hyperspectral Image Classification

基于多尺度空洞卷积神经网络的高光谱图像分类

郑姗姗¹,刘文¹,单锐¹,赵静一²,江国乾³,张智⁴

（1. 燕山大学理学院,河北 秦皇岛 066004;2. 燕山大学机械工程学院,河北 秦皇岛 066004;3. 燕山大学电气工程学院,河北 秦皇岛 066004;4. 北京航天研究所,北京 100094）

创新点说明：

1）将图像分割方法——空洞卷积用于卷积神经网络进行高光谱图像分类,提取更加广泛、抽象的图像特征。

2）构建基于多尺度空洞卷积神经网络的高光谱图像分类方法。搭建多尺度聚合结构,在每个通道中使用快捷连接和空洞卷积结构,有效提取图像特征,避免信息丢失。

研究目的：

针对图像信息丢失问题,得到高精度的高光谱图像分类方法。

研究方法：

在Indian Pines和Pavia University数据集上,与4个已有的高光谱图像分类方法进行对比实验,比较OA, AA和Kappa值。

研究结果：

多尺度空洞卷积神经网络在Indian Pines和Pavia University数据集上OA值分别达到了99.58%,99.92%。AA值分别达到了99.57%,99.90%。Kappa分别达到了99.52%,99.89%。

结论：

1）在卷积神经网络中引入空洞卷积,可以有效避免图像信息丢失。

2）多尺度空洞卷积神经网络能提取更佳的判别性特征,实现高分类性能。

关键词：多尺度聚合;空洞卷积;高光谱图像分类;快捷连接

     

基于模糊梯度卷积核的在线棒材断面中心识别

针对传动带上严重堆叠、形状尺寸不规则的棒材,提出基于模糊梯度卷积核的在线棒材断面中心识别方法.以标准圆边缘为中心环,结合棒材断面边缘点偏离中心环的程度定义一个模糊梯度卷积核;通过模糊梯度卷积核与实时棒材断面梯度图像的卷积操作,实现棒材断面中心的增强;依次执行候选点选取、局部峰值抑制、距离检测步骤确定中心位置.实验结果表明,该方法能有效抑制棒材中心增强过程中易产生的峰值扩散现象,减少误识别和漏识别;平均计算时间为8.3 ms,满足系统实时性要求.     

利用模糊感知器解决模糊可分样本的分类问题

针对一类用于解决分类问题的模糊感知器,提出完全随机输入的模糊δ-规则,并给出训练样本模糊可分的定义。实例表明,利用该算法可以有效地解决模糊可分样本的分类问题,在有限步迭代后就达到收敛,即有限步训练后网络能将所有样本正确分类。     

一类分数阶微分方程组的L^p稳定性

讨论了一类分数阶微分方程组的L^p稳定性,给出了分数阶微分方程组在有限时间情况下L^p稳定的充分条件,其主要是利用了一类特殊卷积的性质．     

两体量子态可分离性判据

一般情况下,判断一个给定量子态是否为纠缠态以及是否可用于信息处理是一个比较复杂的问题.文中研究了两体量子态的可分离性,通过分析密度矩阵在可分离状态下的展开式以及展开系数之间的关系,给出了两体量子态可分离性的一个新的判据:若量子态可分,则展开系数必满足一定的不等式.此判据仅依赖于系统的维数和密度矩阵的展开系数,而这些数据是易于求得的,使得量子纠缠态的判断简单易行且易于操作,在实际运用中具有理论价值.     

基于FPGA的深度卷积神经网络优化压缩算法研究

针对现有海量数字图像信息落后,提出了新型的压缩算法,设计出基于FPGA的视频图像采集系统.应用深度卷积神经网络优化视频图像编码算法和聚类算法实现数据特征提取,将图像与距离信息作为深度卷积神经网络的输入与输出,并利用其特征提取能力学习图像特征的距离信息,提取深度卷积神经网络中的全连接层作为编码,通过迭代调整确定图像编码,完成图像压缩.应用测试结果显示,该算法具有较高效率优势,且图像压缩解码后质量较好.     

基于RISC-V处理器的卷积加速SoC系统设计

为提高卷积神经网络（CNN）的计算效率和能效,以8 bit定点数据作为输入,设计一个支持激活、批标准化以及池化等CNN网络中常见计算类型的卷积加速器,优化循环计算顺序并将其与数据复用技术相结合,以提高卷积计算的效率。基于软硬件协同设计思想,构建包含RISC-V处理器和卷积加速器的SoC系统,RISC-V处理器基于开源的指令集标准,可以根据具体的设计需求扩展指令功能。将该SoC系统部署在Xilinx ZCU102开发板上,RISC-V处理器和卷积加速器分别工作在100 MHz和300 MHz频率下,测试结果表明,该加速器的算力达到153.6 GOP/s,运行VGG16网络进行图片推理计算时加速效果较好。